CN115713744A - 自动识别车祸的方法、装置及计算机可读存储介质 - Google Patents
自动识别车祸的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115713744A CN115713744A CN202110949120.6A CN202110949120A CN115713744A CN 115713744 A CN115713744 A CN 115713744A CN 202110949120 A CN202110949120 A CN 202110949120A CN 115713744 A CN115713744 A CN 115713744A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- accident
- abnormal
- target vehicle
- captured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种自动识别车祸的方法、装置及计算机可读存储介质,该方法包括根据抓拍的目标车辆的图像确定异常车辆;对所述目标车辆被确定为异常车辆时所在的区域进行延时抓拍;根据延时抓拍的图像判断是否发生了车祸。该自动识别车祸的方法、装置及计算机可读存储介质,能够自动且直观地识别是否发生了车祸以及车辆受损情况,为报警和救援奠定了基础。
Description
技术领域
本申请涉及交通事故信息技术领域,尤指一种自动识别车祸的方法、装置及计算机可读存储介质。
背景技术
目前大多通过如传感器、加速传感器、压力传感器等检测结果判断车辆是否发生交通事故。但是该方法不能够通过直观的方式来断定车辆是否发生碰撞以及碰撞程度。
发明内容
本申请提供了一种自动识别车祸的方法、装置及计算机可读存储介质,能够自动且直观地识别是否发生了车祸以及车辆受损情况,为报警和救援奠定了基础。
本申请提供的一种自动识别车祸的方法,包括:
根据抓拍的目标车辆的图像确定异常车辆;
对所述目标车辆被确定为异常车辆时所在的区域进行延时抓拍;
根据延时抓拍的图像判断是否发生了车祸。
一种示例性的实施例中,根据抓拍的目标车辆的图像确定异常车辆,包括:
对抓拍的目标车辆的图像进行三维建模;
将目标车辆的三维建模与预先建立的车辆模型库的模型进行比较得到目标车辆的变形等级;如果目标车辆的变形等级超过第一预设阈值,则将目标车辆确定为异常车辆。
一种示例性的实施例中,所述根据抓拍的目标车辆的图像确定异常车辆之前,还包括:
获取多个事故车辆样本图像,并计算每个事故车辆样本图像对应事故车辆的整体变形度;
根据所有事故车辆的整体变形度,划分事故车辆变形等级;
根据所述事故车辆变形等级及其对应的事故车辆样本图像,建立车辆模型库;
其中,所述事故车辆的整体变形度的计算方法包括,
建立事故车辆的三维模型,在三维空间中将所述事故车辆划分为n个连续的单元;其中,n为正整数;
统计发生变形的单元的数量,确定每个发生变形的单元的变形量;
根据该事故车辆发生变形的单元的数量和发生变形的单元的变形量计算该事故车辆的整体变形度。
一种示例性的实施例中,根据抓拍的目标车辆的图像确定异常车辆,包括:
对抓拍的目标车辆的图像进行三维建模;
根据目标车辆的三维建模计算所述目标车辆的整体变形度;如果所述目标车辆的整体变形度超过第二预设阈值,则将目标车辆确定为异常车辆。
一种示例性的实施例中,根据延时抓拍的图像判断是否发生了车祸,包括:
如果延时抓拍的图像中没有目标车辆且延时抓拍的图像中在地面上没有散落物,则判定没有发生车祸;
如果延时抓拍的图像中存在目标车辆,则判定发生了车祸。
一种示例性的实施例中,根据延时抓拍的图像判断是否发生了车祸,包括:
如果延时抓拍的图像中在地面上出现散落物,则判断出现在地面上的散落物是否属于异常车辆的车辆零部件,当所述散落物属于异常车辆的零部件,则判定发生了车祸,否则判定未发生车祸。
一种示例性的实施例中,所述判断出现在地面上的散落物是否属于异常车辆的车辆零部件,包括:
将延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型进行比对;
当延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型之间的相似度大于预设阈值,则判定延时抓拍的图像中出现在地面上的散落物属于异常车辆的车辆零部件。
一种示例性的实施例中,按照如下方法建立车辆零部件模型库:
选取同一车辆零部件不同角度的图像,以及不同品牌的同一车辆零部件的图像,对所选取的车辆零部件图像分别进行车辆零部件类型识别;
根据车辆零部件类型及其对应的车辆零部件图像,建立车辆零部件模型库。
本申请提供的一种自动识别车祸的装置,包括:
所述装置包括异常车辆确定模块、延时抓拍模块和车祸判断模块;
所述异常车辆确定模块,设置为根据抓拍的目标车辆的图像确定异常车辆;
所述延时抓拍模块,设置为对所述目标车辆被确定为异常车辆时所在的区域进行延时抓拍;
所述车祸判断模块,设置为根据延时抓拍的图像判断是否发生了车祸。
本申请提供的一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的自动识别车祸的方法。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为本申请实施例的自动识别车祸的方法的示意图;
图2为本申请实施例的自动识别车祸的方法的流程图;
图3为本申请实施例的自动识别车祸过程模型图示例;
图4为本申请实施例的自动识别车祸过程模型图示例;
图5为本申请实施例的自动识别车祸过程模型图示例;
图6为本申请实施例的自动识别车祸的装置的示意图。
具体实施方式
图1为本申请实施例的自动识别车祸的方法的流程图,如图1所示,本实施例的自动识别车祸的方法,包括S11-S13步骤:
S11、根据抓拍的目标车辆的图像确定异常车辆;
S12、对所述目标车辆被确定为异常车辆时所在的区域进行延时抓拍;
S13、根据延时抓拍的图像判断是否发生了车祸。
一种示例性的实施例中,根据抓拍的目标车辆的图像确定异常车辆,包括:
对抓拍的目标车辆的图像进行三维建模;
将目标车辆的三维建模与预先建立的车辆模型库的模型进行比较得到目标车辆的变形等级;如果目标车辆的变形等级超过第一预设阈值,则将目标车辆确定为异常车辆。
一种示例性的实施例中,所述根据抓拍的目标车辆的图像确定异常车辆之前,还包括:
获取多个事故车辆样本图像,并计算每个事故车辆样本图像对应事故车辆的整体变形度;
根据所有事故车辆的整体变形度,划分事故车辆变形等级;
根据所述事故车辆变形等级及其对应的事故车辆样本图像,建立车辆模型库;
其中,所述事故车辆的整体变形度的计算方法包括,
建立事故车辆的三维模型,在三维空间中将所述事故车辆划分为n个连续的单元;其中,n为正整数;
统计发生变形的单元的数量,确定每个发生变形的单元的变形量;
根据该事故车辆发生变形的单元的数量和发生变形的单元的变形量计算该事故车辆的整体变形度。
通过建立车辆模型库,进而可以实现目标车辆与车辆模型库中的模型进行比较,不仅实现了判断标准的统一,而且提高了判断目标车辆是否是异常车辆的效率。
一种示例性的实施例中,根据抓拍的目标车辆的图像确定异常车辆,包括:
对抓拍的目标车辆的图像进行三维建模;
根据目标车辆的三维建模计算所述目标车辆的整体变形度;如果所述目标车辆的整体变形度超过第二预设阈值,则将目标车辆确定为异常车辆。
一种示例性的实施例中,可以采用上述事故车辆整体变形度计算方法计算所述目标车辆的整体变形度。
一种示例性的实施例中,根据延时抓拍的图像判断是否发生了车祸,包括:
如果延时抓拍的图像中没有目标车辆且延时抓拍的图像中在地面上没有散落物,则判定没有发生车祸;
如果延时抓拍的图像中存在目标车辆,则判定发生了车祸。
一种示例性的实施例中,延时抓拍的延时时间根据实际需求设置,比如需要考虑车辆等待红灯或黄灯等情况。
一种示例性的实施例中,根据延时抓拍的图像判断是否发生了车祸,包括:
如果延时抓拍的图像中在地面上出现散落物,则判断出现在地面上的散落物是否属于异常车辆的车辆零部件;
当判定所述散落物属于异常车辆的零部件时,则判定发生了车祸;
当判定所述散落物不属于异常车辆的零部件,则判定未发生车祸。
一种示例性的实施例中,所述判断出现在地面上的散落物是否属于异常车辆的车辆零部件,包括:
将延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型进行比对;
当延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型之间的相似度大于预设阈值,则判定延时抓拍的图像中出现在地面上的散落物属于异常车辆的车辆零部件。
当延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型之间的相似度小于或等于预设阈值,则判定延时抓拍的图像中出现在地面上的散落物不属于异常车辆的车辆零部件。
一种示例性的实施例中,按照如下方法建立车辆零部件模型库:
选取同一车辆零部件不同角度的图像,以及不同品牌的同一车辆零部件的图像,对所选取的车辆零部件图像分别进行车辆零部件类型识别;
根据车辆零部件类型及其对应的车辆零部件图像,建立车辆零部件模型库。
一种示例性的实施例中,对所选取的车辆零部件图像分别进行车辆零部件类型识别,包括:
对于选取的每一个车辆零部件进行预处理并进行标注;对于经预处理和标注后的该车辆零部件图像,基于TensorFlow框架,使用数据流编程***进行机器学习;得到该车辆零部件所属类型。
本申请实施例的自动识别车祸的方法,通过抓拍的目标车辆的图像确定异常车辆;对所述目标车辆被确定为异常车辆时所在的区域进行延时抓拍;根据延时抓拍的图像判断是否发生了车祸,能够自动且直观地识别是否发生了车祸以及车辆受损情况,为报警和救援奠定了基础。
图2为本申请实施例的自动识别车祸的流程图,如图2所示,包括S21-S25步骤:
S21、通过监控区域的相机对车辆进行抓拍;
S22、将抓拍的车辆与车辆模型库进行比对,如果抓拍到的车辆不属于异常车辆,则判定没有发生车祸;如果抓拍到的车辆属于异常车辆,则执行步骤S23;
S23、通过监控区域的相机进行延时抓拍;如果延时抓拍到异常车辆,则判定发生了车祸;如果延时抓拍到地面上的散落物,则执行步骤S24;如果没有抓拍到异常车辆,也没有抓拍到地面上的散落物,则判定没有发生车祸;
S24、将散落物与车辆零部件库中的零部件进行比较;
S25、如果两者相似度超过预设阈值,则判定散落物为异常车辆的车辆零部件,判定发生了车祸;如果判定散落物不是车辆零部件,则判定没有发生车祸。
在步骤S21中,可以通过相机对路口进行抓拍,也可以对其他监控区域进行抓拍。
在步骤S22中,车辆模型库可以收集汽车碰撞事故的案例图片进行学习,对事故车辆的局部变形区域采用有限元方法、六面体网格生成算法及十节点曲边四面体对事故车辆变形部位划分网格.针对各网格单元,采用车辆动力学及弹性力学理论建立碰撞力计算模型以及碰撞瞬间速度输出模型。
具体步骤如下:
S221、建立事故车辆的三维模型,并在三维空间中将事故车辆划分为n个连续的单元;
S222、测量事故车辆变形区域内发生变形的单元的数量及每个变形单元对应的变形量,并在三维模型中标记出来;
S223、将每个单元的变形量作为训练样本,将变形系数作为输出结果,利用卷积神经网络算法计算每个变形单元的变形系数,再根据每一辆事故车辆的发生变形的单元数量和每一个单元的变形系数进行加权平均,求出每一辆车的整体变形比例;
S224、选择与上述事故车辆车型相同的多个事故车辆,重复步骤S221-S223,通过训练,求出每辆事故车辆每个单元的变形系数和整车的变形比例;
S225、根据每辆车的变形比例,设置M个等级及每个等级对应的比例,M为正整数。
S226、将抓拍相机拍摄的车辆抓拍图片进行三维建模并与事故三维车辆模型库进行比对,根据比对结果来计算,得出整车的变形比例等级。
在步骤S221中,n为正整数,n可以根据实际需要进行设定。
在步骤S225中,例如M可以设置为6,6个等级可以分别为20%、35%、50%、65%、80%、95%。
通过建立车辆模型库,进而可以实现目标车辆与车辆模型库中的模型进行比较,不仅实现了判断标准的统一,而且提高了判断目标车辆是否是异常车辆的效率。
在其他一些实施例中,判断目标车辆是否为异常车辆时,也可以不建立车辆模型库,根据目标车辆的三维建模计算所述目标车辆的整体变形度;如果所述目标车辆的整体变形度超过第二预设阈值,则将目标车辆确定为异常车辆。
在步骤S23中,由于车辆发生碰撞后,车辆停在本区域在延时拍照后还停留在本区域(如图3所示),则判断发生事故,接着及时报警处理。其中,延时抓拍的延时时间可以根据实际需求设置,比如监控区域在路口时需要考虑车辆等待红灯或黄灯等情况。
在步骤S23中,原本就是破损车辆已经行驶出本区域,延时抓拍后未抓拍到该车辆(如图4所示),则直接判定为没有发生事故。
在步骤S24中,由于车辆发生碰撞后,虽然车驶出本区域,但是部分汽车零部件留在了本区域(如图5所示),则判断发生事故,接着及时报警处理。
在步骤S24中,按照如下算法识别车辆零部件:
该算法基于TensorFlow框架,使用数据流编程***进行机器学习。
首先选择图像处理方法,对图像进行扩增,通过几何变换,随机改变图像的颜色变换为将RGB三个通道的分量大小按照比例进行缩放,并对大小、对比度和亮度进行变换,给图片加一些光照,如锐化,凸点,自适应直方图均衡化然后进行图片的水平和竖直翻转、缩放、旋转,从原始图像随机裁剪部分图片加入噪音和图像模糊处理。
然后将汽车的各个部件进行分类,比如前保险杠、后保险杠,门把手、前后门等等,然后将每一类的图片做好标注:按照每一个零部件不同角度和不同品牌同一类零部件的图片通过神经网络进行机器识别和模型训练。通过训练得出每一个零部件的分类概率,算出对应的分类的概率,从而选择出为哪一个类别。
最终通过地面上的散落物和汽车零部件模型进行比对,如果相似度高于90%,则认为是零部件散落。
本申请实施例的自动识别车祸的方法,能够自动且直观地识别是否发生了车祸以及车辆受损情况,为报警和救援奠定了基础。
图6为本申请实施例的自动识别车祸的装置的示意图,如图6所示,本实施例的自动识别车祸的装置,包括异常车辆确定模块、延时抓拍模块和车祸判断模块;
所述异常车辆确定模块,设置为根据抓拍的目标车辆的图像确定异常车辆;
所述延时抓拍模块,设置为对所述目标车辆被确定为异常车辆时所在的区域进行延时抓拍;
所述车祸判断模块,设置为根据延时抓拍的图像判断是否发生了车祸。
一种示例性的实施例中,根据抓拍的目标车辆的图像确定异常车辆,包括:
对抓拍的目标车辆的图像进行三维建模;
将目标车辆的三维建模与预先建立的车辆模型库的模型进行比较得到目标车辆的变形等级;如果目标车辆的变形等级超过第一预设阈值,则将目标车辆确定为异常车辆。
一种示例性的实施例中,所述根据抓拍的目标车辆的图像确定异常车辆之前,还包括:
获取多个事故车辆样本图像,并计算每个事故车辆样本图像对应事故车辆的整体变形度;
根据所有事故车辆的整体变形度,划分事故车辆变形等级;
根据所述事故车辆变形等级及其对应的事故车辆样本图像,建立车辆模型库;
其中,所述事故车辆的整体变形度的计算方法包括,
建立事故车辆的三维模型,在三维空间中将所述事故车辆划分为n个连续的单元;其中,n为正整数;
统计发生变形的单元的数量,确定每个发生变形的单元的变形量;
根据该事故车辆发生变形的单元的数量和发生变形的单元的变形量计算该事故车辆的整体变形度。
一种示例性的实施例中,根据抓拍的目标车辆的图像确定异常车辆,包括:
对抓拍的目标车辆的图像进行三维建模;
根据目标车辆的三维建模计算所述目标车辆的整体变形度;如果所述目标车辆的整体变形度超过第二预设阈值,则将目标车辆确定为异常车辆。
一种示例性的实施例中,可以采用上述事故车辆整体变形度计算方法计算所述目标车辆的整体变形度。
一种示例性的实施例中,根据延时抓拍的图像判断是否发生了车祸,包括:
如果延时抓拍的图像中没有目标车辆且延时抓拍的图像中在地面上没有散落物,则判定没有发生车祸;
如果延时抓拍的图像中存在目标车辆,则判定发生了车祸。
一种示例性的实施例中,延时抓拍的延时时间根据实际需求设置,比如需要考虑车辆等待红灯或黄灯等情况。
一种示例性的实施例中,根据延时抓拍的图像判断是否发生了车祸,包括:
如果延时抓拍的图像中在地面上出现散落物,则判断出现在地面上的散落物是否属于异常车辆的车辆零部件;
当判定所述散落物属于异常车辆的零部件时,则判定发生了车祸;
当判定所述散落物不属于异常车辆的零部件,则判定未发生车祸。
一种示例性的实施例中,所述判断出现在地面上的散落物是否属于异常车辆的车辆零部件,包括:
将延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型进行比对;
当延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型之间的相似度大于预设阈值,则判定延时抓拍的图像中出现在地面上的散落物属于异常车辆的车辆零部件。
当延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型之间的相似度小于或等于预设阈值,则判定延时抓拍的图像中出现在地面上的散落物不属于异常车辆的车辆零部件。
一种示例性的实施例中,按照如下方法建立车辆零部件模型库:
选取同一车辆零部件不同角度的图像,以及不同品牌的同一车辆零部件的图像,对所选取的车辆零部件图像分别进行车辆零部件类型识别;
根据车辆零部件类型及其对应的车辆零部件图像,建立车辆零部件模型库。
一种示例性的实施例中,对所选取的车辆零部件图像分别进行车辆零部件类型识别,包括:
对于选取的每一个车辆零部件进行预处理并进行标注;对于经预处理和标注后的该车辆零部件图像,基于TensorFlow框架,使用数据流编程***进行机器学习;得到该车辆零部件所属类型。
本申请实施例的自动识别车祸的装置,能够自动且直观地识别是否发生了车祸以及车辆受损情况,为报警和救援奠定了基础。
本申请实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的自动识别车祸的方法。
本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种自动识别车祸的方法,其特征在于:
根据抓拍的目标车辆的图像确定异常车辆;
对所述目标车辆被确定为异常车辆时所在的区域进行延时抓拍;
根据延时抓拍的图像判断是否发生了车祸。
2.如权利要求1所述的方法,其特征在于:
根据抓拍的目标车辆的图像确定异常车辆,包括:
对抓拍的目标车辆的图像进行三维建模;
将目标车辆的三维建模与预先建立的车辆模型库的模型进行比较得到目标车辆的变形等级;如果目标车辆的变形等级超过第一预设阈值,则将目标车辆确定为异常车辆。
3.如权利要求2所述的方法,其特征在于,所述根据抓拍的目标车辆的图像确定异常车辆之前,还包括:
获取多个事故车辆样本图像,并计算每个事故车辆样本图像对应事故车辆的整体变形度;
根据所有事故车辆的整体变形度,划分事故车辆变形等级;
根据所述事故车辆变形等级及其对应的事故车辆样本图像,建立车辆模型库;
其中,所述事故车辆的整体变形度的计算方法包括,
建立事故车辆的三维模型,在三维空间中将所述事故车辆划分为n个连续的单元;其中,n为正整数;
统计发生变形的单元的数量,确定每个发生变形的单元的变形量;
根据该事故车辆发生变形的单元的数量和发生变形的单元的变形量计算该事故车辆的整体变形度。
4.如权利要求1所述的方法,其特征在于:
根据抓拍的目标车辆的图像确定异常车辆,包括:
对抓拍的目标车辆的图像进行三维建模;
根据目标车辆的三维建模计算所述目标车辆的整体变形度;如果所述目标车辆的整体变形度超过第二预设阈值,则将目标车辆确定为异常车辆。
5.如权利要求1所述的方法,其特征在于:
根据延时抓拍的图像判断是否发生了车祸,包括:
如果延时抓拍的图像中没有目标车辆且延时抓拍的图像中在地面上没有散落物,则判定没有发生车祸;
如果延时抓拍的图像中存在目标车辆,则判定发生了车祸。
6.如权利要求1所述的方法,其特征在于:
根据延时抓拍的图像判断是否发生了车祸,包括:
如果延时抓拍的图像中在地面上出现散落物,则判断出现在地面上的散落物是否属于异常车辆的车辆零部件,当所述散落物属于异常车辆的零部件,则判定发生了车祸,否则判定未发生车祸。
7.如权利要求6所述的方法,其特征在于:
所述判断出现在地面上的散落物是否属于异常车辆的车辆零部件,包括:
将延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型进行比对;
当延时抓拍到的地面上的散落物和预先建立的车辆零部件模型库中的异常车辆的车辆零部件模型之间的相似度大于预设阈值,则判定延时抓拍的图像中出现在地面上的散落物属于异常车辆的车辆零部件。
8.如权利要求6所述的方法,其特征在于:
按照如下方法建立车辆零部件模型库:
选取同一车辆零部件不同角度的图像,以及不同品牌的同一车辆零部件的图像,对所选取的车辆零部件图像分别进行车辆零部件类型识别;
根据车辆零部件类型及其对应的车辆零部件图像,建立车辆零部件模型库。
9.一种自动识别车祸的装置,其特征在于:
所述装置包括异常车辆确定模块、延时抓拍模块和车祸判断模块;
所述异常车辆确定模块,设置为根据抓拍的目标车辆的图像确定异常车辆;
所述延时抓拍模块,设置为对所述目标车辆被确定为异常车辆时所在的区域进行延时抓拍;
所述车祸判断模块,设置为根据延时抓拍的图像判断是否发生了车祸。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的自动识别车祸的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949120.6A CN115713744A (zh) | 2021-08-18 | 2021-08-18 | 自动识别车祸的方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949120.6A CN115713744A (zh) | 2021-08-18 | 2021-08-18 | 自动识别车祸的方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115713744A true CN115713744A (zh) | 2023-02-24 |
Family
ID=85229886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110949120.6A Pending CN115713744A (zh) | 2021-08-18 | 2021-08-18 | 自动识别车祸的方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713744A (zh) |
-
2021
- 2021-08-18 CN CN202110949120.6A patent/CN115713744A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190122059A1 (en) | Signal light detection | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
US11113582B2 (en) | Method and system for facilitating detection and identification of vehicle parts | |
CN110852177B (zh) | 基于单目相机的障碍物检测方法及*** | |
CN108162858B (zh) | 车载监控装置及其方法 | |
CN110909692A (zh) | 异常车牌识别方法、装置及计算机存储介质、电子设备 | |
CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
US20200034959A1 (en) | Detection Of Near-Field Occlusions In Images | |
CN110544271B (zh) | 抛物动作检测方法及相关装置 | |
CN111507145A (zh) | 嵌入式车载环视***库位障碍物检测方法、***及装置 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN107766847B (zh) | 一种车道线检测方法及装置 | |
CN112052878A (zh) | 一种雷达的遮挡识别的方法、装置及存储介质 | |
CN110619255B (zh) | 一种目标检测方法及其装置 | |
CN111832349A (zh) | 遗留物错误检测的识别方法、装置及图像处理设备 | |
CN112418100B (zh) | 基于图像分类与图像对比的公路车辆异常检测方法 | |
CN112949584A (zh) | 一种图像筛选方法及装置、电子设备和存储介质 | |
CN115713744A (zh) | 自动识别车祸的方法、装置及计算机可读存储介质 | |
CN110634120B (zh) | 一种车辆损伤判别方法及装置 | |
CN108873097B (zh) | 无人停车库中载车板停车时的安全检测方法及装置 | |
CN112241660A (zh) | 一种基于视觉的防盗监测方法和装置 | |
CN114743140A (zh) | 一种基于人工智能技术的消防通道占用识别方法和装置 | |
CN108960181A (zh) | 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法 | |
CN114724119A (zh) | 车道线提取方法、检测设备及存储介质 | |
CN113128264B (zh) | 一种车辆区域确定方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |